ANSA二次开发：基于ANSA运行的代码如何加密

2月前浏览94

有道友今天问python如何加密。不清楚他是想知道纯粹的python源码加密还是基于ANSA的加密。在这里介绍python的加密方式：

方法一：python打包成.pyc格式的字节码文件。

在运行我们新写的源码时，python编译器会自动检查是否存在对应的pyc文件，若存在就直接调用。否则将在__pycache__ 目录下生成对应的pyc文件，这个文件是可以替代源码文件直接使用的。当然我们也可以通过 py_compile 模块手动打包。

import py_compile
py_compile.compile("test.py")

即可将test.py打包成test.pyc文件。但.pyc格式文件不是真正的加密文件，这类文件可以轻松的反编译恢复源码。

# pip install uncompyle6
uncompyle6 test.pyc > test.py

.pyc文件虽然可以通过字节码混淆等手段实现字节码加密，使得反编译困难，但这种方法属于治标不治本。推荐做法是将源码编译成.pyd格式的动态库实现加密。

方法二：利用Cython打包成.pyd格式的动态库文件(推荐)

在要打包的test.py文件同目录下新键一个 setup.py 文件，文件内容如下：

# pip install cython
from setuptools import setupfrom Cython.Build import cythonize
setup(    name="testModule",    ext_modules=cythonize("test.py"),    )

在命令行或终端中，cd 到这个目录下，输入以下命令：python setup.py build_ext --inplace 即可生成.pyd格式的文件。生成的.pyd格式反编译难度就显著增加了，若再进一步指令优化、二进制符号剥离等技术可使.pyd格式的文件成为高度优化的机器码，且 无任何可读性残留，达到商业级保护标准。

pyd格式文件的调用和平时库的调用方法相同。直接import即可。

注意：.pyd格式的文件需要要个对应python版本，即3.8打包生成的pyd文件只能在python3.8的环境下运行。

方法三：利用ANSA的CompileScript接口将源码打包成pyb格式文件。

import ansa
def toCompile():  ansa.CompileScript(r"绝对路径\test.py",r"绝对路径\test.pyb","testModule")
if __name__ == '__main__':  toCompile()

在ansa环境中直接运行上述代码即可生成.pyb格式的文件。该格式文件只能在ansa中运行且向下兼容。即利用ANSA22生成的pyb文件在22及以上版本可以使用，但在低于22的版本无法运行。

来源：檐苔

预备知识1-数据操作学习笔记

数据的两种基本操作：(1) 数据获取；(2) 将数据读入计算机后对其进行处理。张量(tensor)：N维数组。在MXNet中为ndarray，在PyTorch和TensorFlow中为Tensor，都与numpy中的ndarray相似。但深度学习框架比Numpy的ndarray多一些重要功能：(1) GPU很好地支持加速计算，而NumPy仅支持CPU计算；(2) 张量类支持自动微分。一、入门torch的基本操作二、运算符对于任意具有相同形状的张量，常见的标准算术运算符（+、 -、 *、 /和**）都可以被升级为按元素运算。多个张量连结（concatenate）张量的逻辑运算元素求和三、广播机制形状不同，通过调用广播机制（broadcasting mechanis m）来执行按元素操作，工作机制如下：1. 通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状；2. 对生成的数组执行按元素操作。大多数情况下，我们将沿着数组中长度为1的轴进行广播四、索引和切片五、节省内存运行一些操作可能会导致为新结果分配内存。例如，如果我们用Y=X+Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。返回值为False，说明以上操作导致Y内存地址进行重新分配。这是不可取的，原因有两个：1. 首先，我们不想总是不必要地分配内存。在机器学习中，可能有数百兆的参数，且在一秒内多次更新所有参数。通常情况下，我们希望原地执行这些更新；2. 若不原地更新，其他引用仍指向旧的内存地址而出现错误。六、转换为其他Python对象torch张量和numpy数组将共享它们的底层内存，就地操作更改一个张量也会同时更改另一个张量。来源：檐苔